نظام ذكي لتحسين المحافظ لتنبؤ تقلبات مبتكر باستخدام تعلّم الآلة

لماذا الاستثمار الأذكى مهم

أي شخص شاهد مدخراته ترتفع وتهبط مع سوق الأسهم يعرف أن الخسائر الكبيرة قد تبدو أسوأ من شعور المكاسب المتواضعة بالرضا. تتناول هذه الورقة سؤالاً يهم المستثمرين العاديين والمؤسسات الكبيرة على حد سواء: هل يمكننا استخدام الذكاء الاصطناعي الحديث لتشكيل محافظ لا تنمو فحسب بمرور الوقت، بل تتحمّل أيضاً الانهيارات الحادة في الأسواق عبر دول متعددة بشكل أفضل؟

من النظرية الكلاسيكية إلى الآلات الجائعة للبيانات

تعلّم النظرية التقليدية للمحافظ، التي تعود إلى هاري ماركوفيتز في خمسينيات القرن العشرين، المستثمرين موازنة المخاطر والعائد عن طريق توزيع أموالهم عبر أصول مختلفة. على مدى العقد الماضي، وعدت نهج أكثر تعقيداً تعتمد على التعلم العميق والتعلّم المعزّز باستخلاص مكاسب إضافية من البيانات المالية. ومع ذلك، غالباً ما تكون هذه الطرق الأحدث صعبة الفهم، مكلفة من حيث التشغيل، وصعبة الوثوق بها عبر أسواق متعددة. والأهم أن معظمها يركز على توقع العوائد، بينما يهتم مديرو المخاطر المحترفون كثيراً بالانخفاضات—حجم أسوأ الخسائر من الذروة إلى القاع على طول الطريق.

النظر لألم السوق بدلاً من مجرد مكاسبه

حوّل المؤلفون الاهتمام من التنبؤ بالعوائد قصيرة الأجل إلى التنبؤ بمدى شدة الخسائر. يدرسون 40 سوق أسهم، من اقتصادات متقدمة مثل الولايات المتحدة وألمانيا إلى أسواق ناشئة مثل البرازيل وجنوب أفريقيا، على مدى فترة عشرين عاماً من 1999 إلى 2018. لكل بلد وسنة، يحسبون مقاييس أداء معدّلة بالمخاطر مستخدمة على نطاق واسع: نسبة شارب (العائد لكل وحدة من المخاطرة الإجمالية)، ونسبة ستيرلنغ (العائد بالنسبة إلى الخسائر الماضية المتوسطة)، ونسبة كالمار التي تربط مباشرة بين المكاسب السنوية وأسوأ انخفاض. تُجمّع هذه النسب بعد ذلك في فئات بسيطة "عالية" و"متوسطة" و"منخفضة" تشير إلى مدى جاذبية أو هشاشة سوق ما من منظور المخاطر–العائد.

كيف يعمل النظام الذكي فعلياً

تحت الغطاء، يعتمد النظام المقترح على توصيل بيانات دقيق بالإضافة إلى نموذج منظّم لتعلّم الآلة يُسمى مصنّف متعدد آلات الدعم الناقلة (multi‑SVM). أولاً، ينظف الفريق ويعيد تشكيل عقدين من بيانات الأسهم من بلومبرغ، ويزيل الإدخالات السيئة، ويملأ الفجوات القصيرة، ويطبّع المقاييس حتى يمكن مقارنة سوق صغير بسوق كبير بعدالة. ثم يصنعون ميزات تلخّص سلوك كل سوق، بما في ذلك أعلى وأدنى ومتوسط قيم الأسهم، والتقلب، والعوائد السنوية، والانخفاضات المتدحرجة على مدى ثلاث سنوات. تصبح هذه الميزات مدخلات لعدة نماذج فرعية SVM، كل منها يتخصّص في أحد النسب الرئيسية، وجميعها تستخدم نواة غير خطية لالتقاط الروابط المعقّدة بين المخاطر والعائد. ثم تجمع خطوة دمج مستويات ثقة النماذج الفرعية لتشكل حكماً واحداً حول ما إذا كان سنة-دولة معينة تنتمي إلى فئة جودة معدّلة بالمخاطر عالية أو متوسطة أو منخفضة.

تحويل التنبؤات إلى خيارات للمحفظة

لفحص ما إذا كانت هذه الذكاء تفيد المستثمرين فعلاً، يجري المؤلفون تجربة تاريخية طويلة بنمط "ماذا لو". كل سنة، يتصورون بناء محفظة عالمية تُعطي وزنًا إضافيًا للأسواق التي يصنّفها نظامهم بأنها عالية الجودة، وزنًا محايدًا للأسواق المتوسطة، ووزناً مُقلَلاً للأسواق منخفضة الجودة. يقارنون النتائج بثلاثة معايير مرجعية معروفة: نموذج سوق بسيط (CAPM)، محفظة عالمية موزونة بالتساوي، ونموذج الثلاثة عوامل الشهير الذي طوّره فاما وفرينش. على مدى الفترة 1999–2018، حقّقت المحفظة الموجّهة بواسطة multi‑SVM أعلى عائد تراكمي، وأصغر أسوأ خسارة، وأقوى نسبة شارب. وضع المصنّف نفسه الأسواق في فئاتها من حيث المخاطر–العائد بشكل صحيح نحو 97.5% من الوقت، وهو تحسّن واضح مقارنةً بآلة SVM واحدة وبالمقارنة مع نموذج نايف بايز البسيط.

ماذا يعني هذا للمستثمرين والمستقبل

بالنسبة لغير المتخصص، الخلاصة الأساسية هي أن المؤلفين لم يخترعوا روبوت تداول صندوق أسود جديد؛ بل جمعوا بعناية أدوات معروفة للتركيز على ما يخشاه المستثمرون أكثر—الخسائر الكبيرة والمطوّلة. من خلال تركيز النموذج على مقاييس مرتبطة بالانخفاضات والحفاظ على بنية نسبياً شفافة، يقدمون طريقة عملية لتوجيه أوزان المحفظة العالمية أسهل في الشرح من العديد من أنظمة التعلم العميق، ومع ذلك منافسة في الأداء. تشير الدراسة إلى أن تصنيف الأسواق ذكياً بحسب حالتها الصحية المعدّلة بالمخاطر، بدلاً من مجرد ملاحقة العوائد الخام، يمكن أن يؤدي إلى محافظ تنمو باستمرار أكثر وتتحمّل صدمات أخف، ما يوفر مساراً أكثر راحة عبر أسواق متقلبة.

الاستشهاد: Biswas, T., Dey, A., Mandal, G. et al. Intelligent system for portfolio optimization for novel volatility forecasting using machine learning. Sci Rep 16, 14670 (2026). https://doi.org/10.1038/s41598-026-42813-4

الكلمات المفتاحية: تحسين المحافظ, تقلبات مالية, تعلّم الآلة في المالية, إدارة المخاطر, أسواق الأسهم العالمية